Case Baur
Lesedauer: min
Dank Deep-Learning: Baur steigert die Conversion Rate
Der Versandhändler Baur setzt bei einer Retargeting-Kampagne auf ein Deep-Learning-Modell. Der Vorteil: Der KI-Algorithmus ist unvoreingenommen und erkennt besser als jeder Mensch, wenn Kunden kurz vor einem Kauf stehen. So konnte die Otto-Tochter die Conversion Rate und das Bestellvolumen signifikant erhöhen.
Gestern noch die Mom Jeans und Pastelltöne, heute wieder die Schlaghose und Retromuster mit knalligen Farben von damals. Die Modewelt ist schnelllebig wie nie zuvor, neue Trends rasen über die Laufstege, in die Geschäfte und durch Online-Shops. Und als wäre das Tempo noch nicht hoch genug, sorgt derzeit künstliche Intelligenz für neuen Wirbel: Die ersten KI-generierten Designs sind draußen sowie unzählige Kampagnen-Motive, die mit populären Tools wie Midjourney erstellt wurden.
KI wird in der Modewelt jedoch nicht nur für die Kreation eingesetzt, auch für Programmatic Advertising ist sie unerlässlich. Sie treibt zum Beispiel die Recommendation Engines an, die dafür sorgen, dass User personalisierte Anzeigen sehen. Das Adtech-Unternehmen RTB House hat eine solche Engine entwickelt. Das Besondere: Sie basiert vollständig auf einem Deep-Learning-Algorithmus. Der Versandhändler Baur, eine Tochter der Otto-Group, hat sie für eine Retargeting-Kampagne getestet.
Mit einer Steigerung des durchschnittlichen Bestellvolumens um 20 Prozent beweist Baur, dass das Deep-Learning-Modell im Mode-Marketing funktioniert. Foto: Baur-Gruppe
Produktranking-System wurde integriert
Das Resultat: Die Conversion Rate stieg dank der KI-basierten Ad-Buying-Technologie um 33 Prozent. Und auch das durchschnittliche Bestellvolumen zog an: um 20 Prozent. Das Ziel, die Marketingleistung zu verbessern und gleichzeitig den Return on Ad Spend (ROAS) beizubehalten, wurde erreicht.
"Baur ist für uns ein sehr spannender Kunde, da wir hier gemeinsam eine individuelle Lösung erarbeitet haben und wir unsere Technologie nutzen konnten, um genau die Anforderungen und Zielsetzungen zu erreichen", sagt Daniel Volož, Country Manager DACH bei RTB House.
Die von RTB House entwickelte Retargeting-Lösung sah vor, mehrere Datenquellen zu kombinieren. Konkret sollten dazu zusätzliche Signale, die auf internen Daten von Baur basieren, in die Deep-Learning-Logik integriert werden. So wurde daran gearbeitet, das Produktranking-System des Baur-Versands zu verbessern und es in die Retargeting-Methode zu integrieren
Anstatt den Nutzer:innen einfach Produkte zu zeigen, die sie bereits gesehen haben, prüfte der Algorithmus das Produktranking auf ähnliche Angebote in derselben Kategorie. Wenn eines dieser Angebote ein höheres Produktranking hatte als das zuvor angezeigte, wurde stattdessen das höherwertige Produkt angezeigt, um den Return on Invest für das Versandhaus zu maximieren.
"Regeln werden von Menschen geschrieben. Und auch wenn Deep-Learning-Modelle lernen, ihre eigenen zu definieren, so ist das Fundament trotzdem immer von einem menschlichen Bias beeinflusst und damit nicht wertneutral."
Ein Deep-Learning-Modell ohne Regeln
Das Gebot, das Timing des Gebots und die Frage, ob überhaupt geboten werden soll, wurde von der Deep-Learning-KI definiert. Und zwar nachdem sie die Historie einzelnen User mit der aller anderen User der Webseite verglichen hatte.
Das heißt, es wurden den Nutzer:innen nicht nur Produkte angezeigt, mit denen sie schon einmal interagiert haben, sondern noch weitere, die relevant sein könnten, erklärt Volož. Ähnlich wie bei Amazon also, nur dass es laut Volož sogar noch einen Schritt weiter geht. Denn die Deep-Learning-Logik, die bei RTB House zum Einsatz kommt, sei im Gegensatz zu vielen anderen Deep-Learning-Modellen nicht regelbasiert.
"Regeln werden ja von Menschen geschrieben. Und auch wenn Deep-Learning-Modelle lernen, ihre eigenen zu definieren, so ist das Fundament trotzdem immer von einem menschlichen Bias beeinflusst und damit nicht wertneutral." Das RTB-Modell hingegen sei an der menschlichen Fähigkeit angelehnt, aus Beobachtung zu lernen und daraus Transferwissen abzuleiten.
"Ein reibungsloser Prozess"
Der Algorithmus bewertet also nicht nur die Produkte und schlägt diese gemäß dem internen Ranking vor, sondern er beobachtet auch die Aktionen einzelner User. Dabei war es insbesondere wichtig, den ROAS im Auge zu behalten. Und zwar dahingehend, ob Verhaltenssequenzen der Websitebesucher:innen auf einen Kauf hindeuten oder nicht - und ob dieser Kauf positiv für den ROAS wäre.
"Wir unterscheiden dabei nicht, welche Aktion oder welche Datenpunkte wichtiger oder weniger wichtig sind, das macht das System komplett alleine." Es sei daher völlig unvoreingenommen, betont Volož: "Das hat den Vorteil, dass das System sogar Verhaltensmuster in Erwägung ziehen kann, die wir als Mensch vielleicht als irrelevant einstufen würden." So konnte unter anderem die Wahrscheinlichkeit erhöht werden, dass ein:e Nutzer:in nach einem Klick auf eine Anzeige konvertiert.
Michael Bräutigam, Online-Marketing-Manager Baur, zeigt sich nicht nur zufrieden mit dem Ergebnis: "Wir hatten eine schwierige Aufgabe zu bewältigen, aber RTB House hat sich dieser Herausforderung gestellt. Die Kommunikation mit dem Team war unkompliziert, und die Integration unserer zusätzlichen Daten war ein reibungsloser Prozess."
Inhalt
